人工智能如何能更快速、準確地診斷乳腺癌?
機器學(xué)習已逐漸成為推進癌癥檢測和診斷的重要工具。癌癥在其影響的組織中會引起不同類型的變化,所以癌癥在組織中的存在最終會導(dǎo)致其物理特性的變化,例如密度或孔隙度的變化。這些變化可以在醫(yī)學(xué)圖像中作為信號識別出來。機器學(xué)習算法的作用是挑選出這個信號,并用它來確定正在成像的特定組織是否癌變。
以乳腺癌為例,乳腺超聲彈性成像是一種新興的成像技術(shù),通過以非侵入性的方式評估潛在乳腺病變的剛度,從而提供有關(guān)該病變的信息。
乳腺癌是女性癌癥相關(guān)死亡的主要原因。據(jù)統(tǒng)計,有將近1/10的乳腺癌被誤診為良性,這意味著病人可能會失去關(guān)鍵的治療時間。另一方面,女性做的乳房X光檢查越多,出現(xiàn)假陽性結(jié)果的幾率也越大。經(jīng)過10年的年度乳房X光檢查,大約2/3的沒有癌癥的患者可能被懷疑患癌,并接受侵入性干預(yù),比如組織活檢。
與傳統(tǒng)的成像方式相比,乳腺超聲彈性成像利用了關(guān)于癌性和非癌性乳腺病變特征的更精確信息,顯示出更高的準確性。然而,這一過程的關(guān)鍵是一個復(fù)雜的計算問題,解決起來既費時又麻煩。
那如果依賴于算法的指導(dǎo)呢?
南加州大學(xué)維特比工程學(xué)院航空航天與機械工程系教授Assad Oberai博士,在發(fā)表于《應(yīng)用力學(xué)與工程中的計算機方法》上的研究論文《通過深度學(xué)習繞過反問題的解決方案:彈性成像的應(yīng)用》中提出了這個問題。
Oberai博士和包括南加州大學(xué)維特比工程學(xué)院博士生Dhruv Patel在內(nèi)的一組研究人員,特別考慮了以下問題:
能否訓(xùn)練機器使用合成數(shù)據(jù)來解釋真實世界的圖像,并簡化診斷步驟呢?
Oberai博士說,答案很可能是肯定的。
以乳腺超聲彈性成像為例,一旦拍攝了受影響區(qū)域的圖像,就對圖像進行分析,以確定組織內(nèi)的位移。利用這些數(shù)據(jù)和物理力學(xué)定律,確定了機械性能(比如它的剛度)的空間分布。在此之后,必須從分布中識別和量化適當?shù)奶卣?,最終將腫瘤分類為惡性或良性。問題是最后兩個步驟在計算上很復(fù)雜,而且具有內(nèi)在的挑戰(zhàn)性。
在研究中,Oberai博士試圖確定他們是否可以完全跳過這個工作流中最復(fù)雜的步驟。
癌性乳腺組織有兩個關(guān)鍵特性:異質(zhì)性,即有些區(qū)域是柔軟的,有些區(qū)域是堅硬的;非線性彈性,即纖維在被拉伸時提供了很大的阻力,而不是最初與良性腫瘤相關(guān)的阻力。了解了這一點,Oberai博士創(chuàng)建了基于物理的模型,顯示了這些關(guān)鍵屬性的不同級別。為了訓(xùn)練機器學(xué)習算法,他使用了來自這些模型的數(shù)千個數(shù)據(jù)輸入。
合成數(shù)據(jù)與真實數(shù)據(jù)
為什么要使用合成的數(shù)據(jù)來訓(xùn)練算法呢?真實的數(shù)據(jù)不是更好嗎?
Oberai博士解釋說:“如果你有足夠的數(shù)據(jù),你就不會使用合成的數(shù)據(jù)來訓(xùn)練算法。但就醫(yī)學(xué)成像而言,如果你有1000張圖像,就已經(jīng)很幸運了。在這種數(shù)據(jù)匱乏的情況下,這類技術(shù)變得非常重要。”
Oberai博士和他的團隊使用了大約12000張合成圖像來訓(xùn)練他們的機器學(xué)習算法。這個過程在許多方面與照片識別軟件的工作原理類似,通過重復(fù)輸入如何識別圖像中的特定人物,或者我們的大腦如何學(xué)會將貓和狗進行分類來學(xué)習。通過足夠多的例子,該算法能夠收集良性腫瘤和惡性腫瘤固有的不同特征,并做出正確的判斷。
Oberai博士說:“我們的準確率約為80%。接下來,我們將使用更多真實世界的圖像作為輸入,繼續(xù)改進算法。”
這類算法會取代放射科醫(yī)生在確定診斷中的作用嗎?
絕對不會。
Oberai博士指出,這類算法可以發(fā)揮重要作用,但它無法作為癌癥診斷的唯一仲裁者,而是作為一種幫助引導(dǎo)放射科醫(yī)生得出更準確結(jié)論的工具。不過,這些算法只有在不充當黑盒時,才會是最有用的。“算法必須是可解釋的,才能按預(yù)期工作。”
2019-07-16 16:23
好醫(yī)友小編
聯(lián)系醫(yī)學(xué)顧問
醫(yī)學(xué)顧問微信在線